AIS数据驱动的船舶交通流预测：深度多视角学习框架的建模验证

一　研究背景与问题提出

随着全球海运贸易量的不断增长，船舶流量预测（Vessel Traffic Flow，VTF） 对航道规划、安全管理和港口资源调度至关重要。然而，传统的机器学习方法（例如ARIMA、SVM、Kalman滤波等）难以有效处理复杂的时空依赖关系，预测精度和稳定性有限。近年来深度学习模型（如CNN、LSTM、Bi‑LSTM等）在交通预测中取得突破，但这些模型通常只考虑单一视角，难以同时捕捉周期特征、时间演化和多通道关系。此外，现有研究大多聚焦短期预测，缺乏对长短期信息的统一建模；同时常用损失函数仅关注局部误差，忽视序列整体相关性。

针对以上问题，本文提出了一种多视图周期‑时间‑语义关系网络（MPTNSR）模型，旨在通过卷积神经网络（CNN）、双向长短时记忆网络（Bi‑LSTM）和图卷积网络（GCN）等多视角特征融合方法，精准预测未来船舶流量，并利用均方误差（MSE）与皮尔逊相关系数（PCC）结合的损失函数提升模型鲁棒性。

二　数据与特征工程

2.1　数据来源与预处理

本文利用AIS航迹数据选取曹妃甸港（CFDP）和成山角（CJ）两大水域作为实验区域，分别包含6条和8条航道。采样时间为2020年7月1日至9月30日，共计92天。将一天划分为12个2小时的时间段，形成12×92的VTF矩阵。为应对AIS数据噪声和缺失问题，首先用DBSCAN聚类去除孤立噪声，再采用立方样条插值（CSI）方法按10秒间隔补全轨迹。

2.2　VTF统计截面确定

每条航迹由一系列时间‑经度‑纬度点组成：

两条轨迹连续穿越统计截面时，记为VTF计数增加1。截面位置由两节点  和  的坐标 和 决定，如下式计算截面斜率  与截距 ：

判断轨迹与截面交点  时，利用两时刻连续轨迹点坐标 、 代入直线方程求解其交点坐标 。若轨迹线段与截面相交，则将对应时间段的VTF计数加1。

下图展示了AIS数据处理与VTF统计过程：图中包含数据采集、离群点去除与插值以及截面判定等步骤。

2.3　VTF数据结构与时间序列

将每天的VTF数据表示为二维矩阵，行表示时间段，列表示日期：

VTF时间序列 tVTF$值。

三　多视图模型设计

MPTNSR模型综合了周期视图、时间视图和语义视图，如图2所示。三个视图分别利用CNN、Bi‑LSTM和GCN提取局部周期、时间演化和跨通道关系，并通过全连接层融合特征，最后采用新型损失函数优化。

3.1　周期视图：局部周期特征提取

周期视图旨在捕捉VTF在空间‑时间邻域内的周期变化。将  按时间邻域提取出 局部 VTF 矩阵作为输入，通过多层卷积计算获得特征向量：

卷积层数为4，卷积核大小为，padding为1；输出经过全连接层生成特征向量，作为时间视图的输入。

3.2　时间视图：双向LSTM建模

时间视图基于Bi‑LSTM捕捉VTF序列的前向和后向演化模式。Bi‑LSTM包含两套LSTM单元，分别处理正序列和逆序列，其隐状态由输入门、遗忘门和输出门控制。以第  时刻局部特征  和前一时刻隐藏状态为例，前向网络的遗忘门和输出门公式为：

当前输入与前一隐藏状态生成新的候选状态后，经遗忘门控制的旧状态及输入门控制的合并生成新的记忆单元。双向网络的正、反向输出 、 拼接后输入全连接层得到时序特征向量。

为了直观说明Bi‑LSTM结构，下图展示LSTM和Bi‑LSTM的计算流。

3.3　语义视图：跨通道关系建模

不同航道之间可能存在空间邻近或相似变化模式。语义视图使用GCN对通道间关系建模，包括地理距离权重 和相似性权重。相似性通过动态时间规整（DTW）计算不同通道VTF时间序列的相似度，二者按比例融合构建邻接矩阵 ：

GCN通过谱域卷积提取图结构特征，输出语义特征向量 。周期、时间、语义特征融合为 ，经全连接层输出最终预测值。

3.4　损失函数：MSE与PCC联合

为同时考虑预测误差与整体趋势一致性，模型提出MSE与PCC联合损失函数：

其中  衡量预测值与实际值的平方差， 定义为两序列的皮尔逊相关系数：

该损失既鼓励误差减小，又促使预测序列与真实序列形态一致。

四　实验与结果分析

4.1　数据可视化与实验设置

数据可视化 图4展示两大水域的船舶航迹密度和统计截面分布。可见，CFDP 区域有六个航道，主要集中在港口附近；CJ 区域有八个航道，呈东西走向的主航线及其支线。

图5和图6分别展示各航道的VTF矩阵，每个子图竖轴为一天中的12个时间段，横轴为日期。色调越深代表流量越大。

实验设置 将数据集划分为训练集（前70天）和测试集（后22天）。模型超参数经网格搜索确定：局部矩阵大小为，Bi‑LSTM序列长度为3，学习率，迭代次数500次。采用RMSE、MAPE和****评价预测精度，与18种传统/深度学习模型比较，其中包括ARIMA、SVM、BPNN、RNN、LSTM、GRU、CNN‑LSTM、CNN‑BiLSTM、LSTM‑GCN等。

4.2　模型性能与对比分析

改进损失函数效果 与传统MSE损失相比，引入PCC后的MSEPCC损失显著提高了模型精度。以CFDP数据集为例，MSEPCC下模型在各数据集的MAPE平均值为0.0056，显著低于仅用MSE时的0.0197； 达到0.9994以上。类似结果在CJ水域也得到验证。

信息权重分析 语义视图中地理权重与相似性权重之比对预测精度有重要影响。实验比较0.5/0.5、0.8/0.2和1.0/0.0三种组合，结果表明0.8/0.2组合在CFDP和CJ水域都能获得最低RMSE和MAPE、最高。

相似性矩阵与关系图 为了说明通道间的相关性，图7与图8分别展示CFDP和CJ水域在权重组合0.8/0.2下的相似性矩阵及其对应的定向关系图。深色单元格代表高度相似的时间段，箭头代表预测依赖方向。

对比模型性能 图9和图10分别给出了在CFDP和CJ水域中，不同模型在各时间段的平均相对误差(REMean)曲线。传统方法如ARIMA和SVM误差较大且波动明显；神经网络方法（RNN、LSTM、GRU）有所改善，但仍存在预测不稳定的问题；融合CNN和GCN的混合模型进一步提高了精度。MPTNSR模型在所有时间段均表现出最低的REMean和最稳定的走势，尤其在高流量时段表现明显。

4.3　收敛性与消融实验

为验证训练稳定性，图11和图12展示了损失函数在CFDP和CJ水域各数据集上的迭代曲线，可以看出损失值随着迭代次数快速下降并趋于稳定，无明显震荡，说明优化过程收敛良好。

消融实验进一步分析了各视图的贡献。删除空间特征（仅保留时序与语义）的模型在CFDP港口区域的RMSE和MAPE明显上升；删除时序建模（仅保留空间与语义）使模型无法捕捉周期性波动；删除语义建模（仅保留CNN‑BiLSTM）则无法刻画通道之间的相互影响，预测性能显著下降。由此可见，周期、时间和语义三种视角的综合建模是提升精度的关键。

五　讨论与启示

• 面向航运管理的语义建模　MPTNSR通过GCN显式建模不同航道之间的地理与流量相似性，使预测不仅依赖自身历史，还考虑其他航道的关联，这对港口拥堵管理及调度优化尤为重要。
• 周期‑时序信息融合　CNN提取局部周期特征，Bi‑LSTM捕捉双向时间演变，实现短期与长期预测的统一；这种融合可推广到其他交通流预测场景。
• 改进损失函数的优势　MSE与PCC结合既关注误差大小又关注走势一致性，避免仅优化局部误差导致的过拟合，提升模型稳定性和泛化能力。
• 多渠道AIS数据的应用　本文展示了如何处理和利用多通道AIS数据进行矩阵化建模，为今后结合船型、气象等外部因素提供了思路。

六　结论

本文对《Deep multi‑view information‑powered vessel traffic flow prediction for intelligent transportation management》进行了深入解读。论文针对传统VTF预测难以同时捕获周期、时间和跨通道关系的问题，提出MPTNSR模型，通过CNN‑Bi‑LSTM‑GCN融合三种视图特征，并引入MSE与PCC联合损失，显著提升预测精度和稳定性。实验表明，该模型在两大水域的数据集上优于18种对比模型，尤其在高流量时段表现出色。消融实验进一步验证了每个视图的必要性，强调空间、时间和语义特征的综合建模是精准预测的关键。未来研究可进一步考虑船型分类、天气和港口作业信息等外部因素，以提升模型的适应性和实用价值。

通过对该论文的解析，可为航运管理和智能交通系统的研究者提供借鉴，也为多通道时间序列预测提供了一种创新的范式。